基于子频带谱峭度平均的快速谱峭度图算法改进

快速谱峭度图(Fast Kurtogram)算法具有能自适应选取共振解调频带并实现包络解调提取的优点,在滚动轴承包络分析中有广阔的应用前景,但其在实际应用中,若被采集信号中包含有较高峰值的脉冲干扰时,将可能导致谱峭度图的自适应共振带确定失效,最终导致无法获得包含有效滚动轴承的故障特征信息的包络信号。为解决快速谱峭度图算法的上述不稳定问题,本文提出了一种基于子频带谱峭度平均的改进快速谱峭度图算法,其可有效消除或削弱脉冲干扰成分对谱峭度图结果的影响,提高了共振解调频带确定的鲁棒性,实现了基于快速谱峭度图算法的滚动轴承故障特征准确提取。仿真和试验结果验证了本方法的有效性。     

非线性主动悬架系统自适应最优控制

针对非线性主动悬架系统多性能指标综合优化问题,提出一类自适应最优控制方法.首先,通过引入一阶低通滤波操作,利用系统输入输出构建结构简单且调节参数少的一类未知非线性动态估计器,在线估计系统未知非线性动态;其次,构建包含乘驾舒适度、悬架行程空间及输入能耗的性能指标函数,采用单层神经网络对最优性能指标函数进行在线逼近,并得到新的哈密尔顿函数;为实现在线求解,构建一类新的基于参数估计误差信息的自适应律,在线更新神经网络权值并计算最优控制律;最后,理论分析闭环系统稳定性和收敛性,并通过专业软件Carsim与Matlab/Simulink搭建的联合仿真平台给出的对比仿真结果,验证所提出方法可有效解决主动悬架系统多目标性能优化控制问题,提升主动悬架系统综合性能.     

基于未知系统动态估计的机器人预设性能控制

针对含有未知系统动态和外部干扰的机器人系统,提出一种不依赖于函数逼近器且能保证瞬态和稳态性能的控制算法.设计未知系统动态估计器可重构机器人系统的未知动态(向心力、重力)和外部干扰,与其他方法相比,该估计器结构简单,只需调节一个参数,且引入滤波操作可避免使用加速度信号,有利于在实际机器人控制中的运用.控制器设计中引入描述收敛速率、最大超调量和稳态误差的预设性能函数,使机器人系统跟踪误差限制在预先规定边界内,保证机器人系统的性能和安全性.通过李雅普诺夫稳定性理论证明闭环系统的稳定性,并通过数值仿真和实验结果验证所提出方法的有效性.     

面向性能增强的双惯量伺服系统状态反馈控制

为避免使用函数逼近器(神经网络或模糊系统),并提高双惯量伺服系统的瞬态响应和稳态性能,针对含外部扰动的双惯量伺服系统,提出一种基于预设性能函数(Prescribed performance function, PPF)的类比例状态反馈控制策略.首先,提出一种改进的带有最大超调、收敛速率以及稳态误差的预设性能函数,并将该函数融入控制器设计使二惯量伺服的跟踪误差保持在预定的边界之内.其次,基于预设性能函数设计了类比例状态反馈控制器实现跟踪控制.与传统基于函数逼近控制方法相比较,该方法可降低控制系统计算复杂度同时消除反演控制中存在的复杂度爆炸问题.最后,利用双惯量伺服系统实验平台开展了对比实验,验证了所提出方法的有效性.     

含执行机构未知动态的液压伺服系统输出反馈控制

针对含有未知动态(如:执行机构、负载等)液压伺服系统,提出一种基于未知系统动态估计器的输出反馈控制方法.该方法不依赖于函数逼近器和传统反步控制设计,且无需难以测量的系统内部状态.首先,为避免反步控制和系统全部状态,引入等价变换,将含液压执行机构的伺服系统高阶严格反馈模型转化为Brunovsky标准型,进而运用高阶滑模微分器观测转化后的系统未知状态.控制器设计中引入描述收敛速率、最大超调量和稳态误差的性能函数,保证预设控制系统稳态和瞬态控制性能.为补偿系统集总未知动态影响,设计一种仅含一个调节参数并保证指数收敛的未知系统动态估计器.该输出反馈控制器可以实现对系统输出的精确跟踪控制.最后,通过数值仿真结果表明了所提出算法的有效性.     

基于包络同步平均的齿轮故障诊断

齿轮振动信号由于存在非平稳、调制、传递路径复杂等特点,其分析相对较为困难,传统的共振解调法还存在共振带参数无法准确确定的不足。为解决上述问题,本文提出了一种基于包络信号角域同步平均的齿轮故障诊断方法。该方法首先利用谱峭度提取出齿轮振动信号的复包络信号,再分别选取齿轮箱中不同转轴作为参考轴对复包络信号进行等角度采样,在角域进行同步平均并用阶比跟踪提取齿轮故障信息。该方法可有效消除源包络信号中的宽带噪声干扰,分离出与故障齿轮所在轴有关的阶比分量,同时可克服转速波动对信号分析产生的频率模糊现象。利用该方法分别对齿轮故障仿真信号和齿轮故障振动信号进行了分析,结果表明,所提出的包络角域同步平均方法能够有效地提取出齿轮故障的特征信息。     

基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

基于参数估计误差的鲁棒自适应律设计及验证

针对传统自适应控制系统设计的自适应律参数收敛慢进而影响控制系统瞬态性能的问题,研究一类新的基于参数估计误差修正的鲁棒自适应律设计.首先引入滤波操作给出参数估计误差的提取方法,构建出含参数估计误差修正项的自适应律,进而将该自适应律用于控制器设计和分析中,可同时实现控制误差和参数估计误差指数收敛.对比分析了几类传统自适应律和所提出自适应律的收敛性和鲁棒性,并给出了保证参数收敛所需持续激励条件的一种直观、简便的在线判别方法.数值仿真及基于自制三自由度直升机系统俯仰轴实验结果表明,基于参数误差修正的自适应律及控制器可得到优于传统自适应方法的跟踪控制和参数估计性能.     

基于神经网络补偿的非线性时滞系统时滞正反馈控制

A new adaptive time-delay positive feedback controller (ATPFC) is presented for a class of nonlinear time-delay systems. The proposed control scheme consists of a neural networks-based identification and a time-delay positive feedback controller. Two high-order neural networks (HONN) incorporated with a special dynamic identification model are employed to identify the nonlinear system. Based on the identified model, local linearization compensation is used to deal with the unknown nonlinearity of the system. A time-delay-free inverse model of the linearized system and a desired reference model are utilized to constitute the feedback controller, which can lead the system output to track the trajectory of a reference model. Rigorous stability analysis for both the identification and the tracking error of the closed-loop control system is provided by means of Lyapunov stability criterion. Simulation results are included to demonstrate the effectiveness of the proposed scheme.     

非线性严格反馈系统自适应非反步输出反馈控制

针对传统反步控制器设计方法存在复杂度爆炸、参数收敛难、控制奇异、需全系统状态已知等问题,提出一种新的可保证参数收敛的未知系统动态辨识和非反步输出反馈自适应控制方法.首先,通过定义新的状态变量和系统等价变换,将严格反馈系统状态反馈控制转化为标准系统的输出反馈控制,进而设计包含高阶微分器的自适应单步控制器,避免反步递推设计的问题;然后,采用两个神经网络对系统集总未知动态进行估计,避免传统控制方法在未知控制增益在线估计过零引发的奇异问题;最后,构造一种新的自适应算法在线更新神经网络权值确保其收敛到真实值,进而实现对未知系统动态的精准辨识.基于Lyapunov定理的分析表明,跟踪误差和估计误差均可收敛到零点附近紧集.基于液压伺服系统模型的对比仿真验证了所提出方法的有效性和优越性.